代理式 AI 用途：調度資安營運工作流程

Last reviewed 2026-04-08 UTC

本文說明多代理 AI 系統的高階架構，該系統可在資安營運中心 (SOC) 自動調度管理複雜的調查和分類程序。代理系統會協調不同安全系統的工作流程，例如安全資訊與事件管理 (SIEM) 系統、威脅情報動態饋給、雲端安全防護管理 (CSPM) 平台，以及端點偵測與應變 (EDR) 解決方案。代理系統可以執行下列動作：

  • 查看 Google Security Operations 的重大警示。
  • 使用 Google Threat Intelligence 充實警告內容。
  • 從第三方 CSPM 工具查詢資產設定錯誤。
  • 導入人機迴圈審核機制。
  • 從第三方 EDR 工具擷取詳細的端點遙測資料和程序執行記錄，調查遭入侵或可疑的端點。

這種架構可減少環境切換，並讓操作人員透過單一介面執行複雜的多階段調查，進而提升操作人員的效率。

本文適用對象包括架構師和開發人員，負責設計、建構及實作代理式 AI 應用程式，並將這些應用程式與雲端環境中的現有安全系統整合。此外，本課程也適合負責監督資安營運、運用威脅情報主動防禦，以及管理強大 SecOps 工作流程來偵測、調查及應變事件的 SOC 分析師和系統管理員。本文假設您已具備代理式 AI 概念的基礎知識，包括多代理系統、代理工具使用和代理自動化調度管理。此外，本文也假設您熟悉威脅情報用途、資安營運工作流程和常見的資安工具。如要瞭解威脅情報和常見安全性工具，請參閱「威脅情報用途和範例」。

架構

您可以視需求選擇下列部署模型：

  • Cloud Run 部署：全代管的無伺服器平台，可讓您將整個代理應用程式、個別元件或自訂工具部署為可擴充的 HTTP 端點，不必管理基礎架構。
  • Gemini Enterprise Agent Platform 的 Agent Runtime：全代管、有特定架構的執行階段，可用於部署、操作及擴充代理應用程式，作業負擔極低。

如要瞭解如何選擇 Agent Runtime，請參閱「選擇代理式 AI 架構元件」。

下列分頁提供架構圖，顯示 Cloud Run 部署作業和 Gemini Enterprise 部署作業的 Agent Runtime。

Cloud Run

下圖顯示部署於 Cloud Run 的 SOC 代理系統詳細架構：

部署於 Cloud Run 的 SOC 代理系統詳細架構。

架構圖顯示下列元件：

Cloud Load Balancing
應用程式負載平衡器會將資安分析師傳入的推論要求轉送至代理系統。
Google Cloud Armor
根據設定的網頁應用程式防火牆 (WAF) 規則，強制執行安全性政策。
Identity-Aware Proxy (IAP)
強制執行零信任安全模型，並驗證使用者身分。
Model Armor
Model Armor 可讓您檢查及清理提示、工具互動和回覆。可為任何基礎 AI 模型提供彈性的安全控管機制。如要為在 Cloud Run 上執行的自訂代理整合 Model Armor，請使用 Model Armor API。
代理組成
Agent Development Kit (ADK) 是代理開發框架，可協助您建構代理，並部署為無伺服器 Cloud Run 服務。如要進一步瞭解這個代理系統的內部架構，請參閱本文後續的「代理系統架構」一節。
AI 模型
為提供推論，這個架構中的代理會使用 Gemini Enterprise Agent Platform 上的 AI 模型。
MCP 伺服器

Model Context Protocol (MCP) 可協助存取工具，並標準化代理與工具之間的互動。代理系統會使用下列 MCP 伺服器：

使用的產品

這個範例架構使用下列 Google Cloud 產品和工具：

Gemini Enterprise 的 Agent Runtime

下圖詳細說明 SOC 代理 AI 系統的架構，該系統部署於 Gemini Enterprise 的 Agent Runtime：

詳細架構：透過 Gemini Enterprise 部署於 Agent Runtime 的 SOC 代理 AI 系統。

架構圖顯示下列元件：

Gemini Enterprise
使用者可透過 Gemini Enterprise 提供的對話助理與代理系統互動。
代理組成
Agent Development Kit (ADK) 是代理開發框架，可協助您建立自訂代理、在 Agent Runtime 部署代理，以及向 Gemini Enterprise 註冊代理。如要進一步瞭解這個代理系統的內部架構，請參閱本文後續的「代理系統架構」一節。
AI 模型
這個架構中的代理會使用 Agent Platform Model Garden 的 AI 模型執行推論。
Model Armor
為強制執行企業安全和法規遵循政策，Model Armor 直接與 Google Cloud 服務整合，提供使用者提示詞和模型回覆的內嵌檢查和清理功能。Model Armor 內建與 Gemini Enterprise 和 Agent Platform 的整合功能，可自動篩選使用者與代管代理之間的互動。詳情請參閱「Model Armor 與 Google Cloud服務整合」。
MCP 伺服器

Model Context Protocol (MCP) 可協助存取工具，並標準化代理與工具之間的互動。代理系統會使用下列 MCP 伺服器：

  • Google SecOps MCP 伺服器：由 Google 代管的 MCP 伺服器，可讓您存取 Google SecOps SIEM 和 Google SecOps SOAR 資料，包括事件、實體、原始記錄和案件詳細資料。
  • Google Threat Intelligence MCP 伺服器：本機 MCP 伺服器，可讓您存取 Google Threat Intelligence。Google Threat Intelligence 會將內部警示與全球對手資料建立關聯，並簡化 SOC 工作流程中已知惡意指標的識別作業。
  • 第三方 MCP 伺服器：由第三方供應商管理的連接器，可讓您與外部安全性工具互動。

使用的產品

這個範例架構使用下列 Google Cloud產品和工具：

代理系統架構

本節說明上述 Cloud Run 或 Gemini Enterprise 部署作業的自訂 SOC 代理系統架構。為自動調度管理複雜的安全防護工作流程，代理會使用階層式工作分解模式。無論選擇哪種部署方式，代理的組成結構都保持不變。

下圖詳細說明代理系統架構： 代理式 SecOps 工作流程的詳細代理式 AI 系統架構。

架構圖顯示下列元件：

應用程式
與使用者互動的前端應用程式，例如對話介面。您可以選擇透過 Cloud Run 或 Gemini Enterprise 的 Agent Runtime 部署應用程式。
代理

這個架構使用下列代理：

  • 根代理：接收使用者要求的協調代理。根代理會解讀使用者要求，並嘗試自行解決。如果工作需要專門工具，根層級代理會將要求委派給適當的專門代理。
  • 專用代理：根代理會叫用下列專用代理：
    • 第 1 級分析師：查詢 Google SecOps 和相關遙測來源時，擷取警示詳細資料、找出受影響的資產，並擷取使用者背景資訊。
    • 網路威脅情報 (CTI) 研究員：研究與特定警示相關的威脅發動者戰術。這個代理程式會查詢威脅情報平台，將內部入侵指標 (IOC) 與已知威脅發動者群組和記錄的戰術、技術和程序 (TTP) 建立關聯，進而提供活動的風險評估。

代理系統架構圖顯示使用兩個 SOC 角色範例架構。您可以根據特定用途部署其他 SOC 角色，或建立自訂角色。如需更廣泛的 SOC 角色清單，協助您強化資安營運，請參閱「SOC 角色」。

RAG 知識資料庫
這個資料庫提供檢索增強生成 (RAG) 的基準來源。資料庫用於提供事件應變計畫和 AI 執行手冊給代理。AI 執行手冊是以代理技能形式呈現的規範工作流程。
Artifact 服務
這項代管服務會將調查報告和證據儲存在 Cloud Storage。
記憶庫
永久狀態管理系統，可儲存自訂記憶主題，並讓代理在不同工作階段中，持續掌握環境和威脅脈絡。
AI 模型
為提供推論，這個架構中的代理會使用 Agent Platform 上最新的 Gemini 模型。
MCP 伺服器
MCP 伺服器可協助存取工具，並標準化代理與工具之間的互動。針對每組代理與工具，MCP 用戶端會向 MCP 伺服器傳送要求，代理則透過該伺服器存取工具，例如資料庫、檔案系統或 API。
代理工具
這些工具可讓代理擷取基準資料，例如對應的 AI 執行手冊、事件應變計畫、過往報告、內部文件和應對手冊。
ADK
ADK 提供開發、測試及部署代理的工具和框架。 ADK 可簡化代理建立作業，讓 AI 開發人員專注於代理的邏輯和功能。

架構顯示下列資料流程：

  1. 資安分析師向資安營運中心 (SOC) 管理員 (協調者代理程式) 提交要求。舉例來說，分析師提交要求，希望調查案件 #37。
  2. 部署在 Cloud Run 或 Gemini Enterprise 的應用程式會將要求轉送至 SOC 管理員。
  3. SOC 經理使用 Gemini 解讀使用者的要求。
  4. SOC 管理員會執行下列工作，收集要求相關背景資訊：
    1. 向 RAG 知識資料庫傳送查詢，擷取對應的 AI 執行手冊、AI 技能形式的規範工作流程，以及事件應變計畫。
    2. 擷取先前的記憶，判斷代理系統是否分析過類似事件。
    3. 檢查構件服務，查看是否有與要求相關的現有報告或證據。
  5. SOC 管理員會使用 Gemini 和擷取的背景資訊，將要求拆解成一系列子工作，並找出適當的工具。
  6. SOC 管理員會動態將子任務指派給專門的子代理，例如第 1 級分析師和網路威脅情報 (CTI) 研究員。
  7. 每個子代理都會執行下列動作，完成指派的子任務：
    1. 使用 Gemini 解讀工作目標。
    2. 從 RAG 知識資料庫、記憶和構件中擷取相關背景資訊。
    3. 使用 MCP 伺服器收集下列額外背景資訊，做為回覆依據：
      • 知識文件，例如先前的報告、內部文件和教戰手冊。
      • 使用 Google SecOps 和 Google Threat Intelligence 資料的安全情報和遙測。
    4. 使用 Gemini 和擷取的脈絡資訊生成發現項目。
    5. 將結果整理成結構化摘要。
    6. 將中間回應轉發給 SOC 管理員。
  8. SOC 管理員會收到子代理的中繼回覆，並根據 AI 執行手冊需求評估結果。
    1. 如果結果不符合評估條件，SOC 經理會重複分析使用者要求，並將子工作委派給子代理，收集更多資料。在這個反覆循環中，SOC 管理員會保留先前的內容鏈，為後續的工具呼叫和子代理委派作業提供資訊和強化。SOC 經理會持續這個循環，直到發現結果符合評估標準。
    2. 如果發現項目符合評估條件或退出條件 (例如疊代次數上限)，SOC 管理員會執行下列動作：
      1. 使用 Gemini 將所有子代理的調查結果彙整成調查報告，並將報告儲存至構件服務。
      2. 使用 Google SecOps MCP 伺服器將結果張貼至案件牆。
      3. 將新記憶儲存至 Agent Platform Memory Bank。
  9. SOC 經理將構件連結和報告摘要傳回給資安分析師。

使用的產品

本文件中的代理系統架構使用下列 Google Cloud產品和工具：

  • Google Security Operations：資安營運平台，可協助資安團隊偵測、調查及因應網路威脅。
  • Google Threat Intelligence：這項安全性解決方案提供全面且主動的方法，可識別、分析及減輕安全威脅。
  • Google Cloud MCP 伺服器：Google 代管的遠端服務，可實作 Model Context Protocol (MCP)，讓 AI 應用程式存取 Google 和 Google Cloud 產品與服務。
  • Gemini：Google 開發的一系列多模態 AI 模型。
  • Gemini Enterprise Agent Platform：全方位平台，可建構、擴充、管理及最佳化企業級 AI 代理。
  • Agent Development Kit (ADK)：一組工具和程式庫，用於開發、測試及部署 AI 代理。
  • Model Armor：這項服務可保護生成式和代理式 AI 資源，防範提示詞注入、機密/私密資料外洩和有害內容。
  • Memory Bank：永久儲存空間服務，可根據使用者與代理的對話，生成、精煉、管理及擷取長期記憶。
  • Cloud Storage：適用於多種資料類型的物件儲存庫，成本低廉且沒有限制。資料在 Google Cloud內外都能存取，且會複製到多個位置，以便提供備援機制。

如要瞭解如何為代理式 AI 系統選取替代元件，包括框架、Agent Runtime、工具、記憶體和設計模式，請參閱「選擇代理式 AI 架構元件」。

設計考量

本節說明使用這個參考架構開發拓撲時，應考量的設計因素、最佳做法和建議，以滿足您對安全性、可靠性和成本的特定需求。

本節指南僅列出部分範例。如要進一步瞭解設計因素和最佳做法，以及建構和部署多代理式 AI 系統的建議，請參閱「 Google Cloud中的多代理式 AI 系統」。

安全性、隱私權和法規遵循

為因應 AI 代理獨有的安全風險，Google 建議採取做法，結合確定性安全控管機制與動態、以推論為基礎的防禦措施：

  • 人工監督：在業務關鍵系統中加入人工介入迴路流程，讓人工監督員審查輸出內容，並核准、覆寫或暫停代理動作。
  • Agent Identity：為每個代理指派與工作負載繫結的身分，強制執行最小權限存取控管，並集中管理外部工具的憑證。
  • Agent Gateway：強制執行輸入和輸出流量管理、預設拒絕存取政策，以及使用 Model Armor 進行內嵌提示和工具檢查。

  • Agent Registry：確認代理只會連線至核准的子代理和 MCP 工具。

  • 驗證環境：為確保各環境的驗證程序順暢，請設定部署管道，管理從開發驗證策略轉換的過程。舉例來說，您可能需要從本機執行的應用程式預設憑證 (ADC)，轉換為 Identity and Access Management (IAM) 管理的服務帳戶，用於正式環境中託管的遠端 MCP 伺服器。

可靠性

為確保代理程式設定符合可靠性需求，建議您採取下列做法：

  • 代理範圍：為提升模型準確度，請設定各代理的執行手冊和系統指令範圍。
  • MCP 結構定義相容性：為避免 AI 模型誤解工具定義，並發出錯誤的工具呼叫，請清理工具結構定義。為 JSON 結構定義 $ref 和 $defs 建立獨立建構，並將大寫類型字串正規化。

成本最佳化

為確保代理設定符合成本需求，請考慮下列建議：

  • 代理工具存取權：為減少權杖消耗並強制執行最小權限原則，請視需要為不同代理提供部分工具。
  • 脈絡窗口管理：為盡量減少詞元消耗，請設計簡潔的提示和工具輸出內容。使用 RAG 存放區，並運用代理技能預先載入情境資訊，以及摘要大型工具回覆。
  • 提示快取：如要降低輸入詞元費用，請快取靜態代理內容，例如系統指令、角色、執行手冊和工具結構定義。
  • 模型選取：為 AI 應用程式選取的模型會直接影響成本和效能。根據不同的代理角色和工作需求，在代理系統中選取不同的模型。如需複雜推論和任務分解，請使用 Gemini Pro 等思考型模型。如果是小型且直接的工作，請使用 Gemini Flash 等快速、低成本的模型。

部署作業

如要部署此架構的範例實作，提供自訂 SOC 代理，請使用 GitHub 提供的 Agentic SOC Gemini Enterprise 程式碼範例。

建議您按照下列順序疊代代理：

  1. 使用 ADK 網頁版在本機部署：加速原型設計，並快速疊代代理邏輯。
  2. 部署至本機容器：確保環境可攜且不可變，並具有一致的依附元件。
  3. 將容器部署至 Cloud Run 或 Agent Runtime：擴充代理，有效執行資安營運，並將應用程式從開發階段推進至正式環境。

後續步驟

貢獻者

作者：

其他貢獻者：